다관점 모호한 추론과 XGBoost 기반 온라인 학습 행동 분석

Summary

본 연구는 다관점 퍼지 추론 모델과 개선된 극한 구배 부스트(XGBoost) 알고리즘(개선된 그레이 울프 최적화 알고리즘으로 최적화됨)을 사용하여 온라인 학습 행동을 분석하고 학생 댓글 감정을 분류하여 개인화된 교육과 시기적절한 개입을 지원합니다.

Abstract

온라인 교육의 급성장으로 온라인 강의실은 교육 분야에서 중요한 구성 요소가 되었습니다. 온라인 수업에서 학생들의 학습 행동에 대한 심층 분석은 교사가 교수 전략을 최적화하고 학생들에게 맞춤형 학습 지원을 제공하는 데 도움을 줄 수 있습니다. 따라서 학생들의 학습 행동을 심층적으로 분석하기 위해 본 연구는 온라인 교육 플랫폼에서 데이터를 수집하고 이를 전처리합니다. 이후 본 연구는 교육과정, 개인, 수업의 세 차원을 아우르는 다관점의 퍼지 추론 모델을 구축하여 학생들의 학습 성과를 다양한 수준에서 포괄적으로 고려합니다. 이 모델은 학습 행동 데이터의 불확실한 정보를 퍼지 집합과 퍼지 규칙을 통해 처리하여 학습 성과에 대한 다차원 평가를 달성합니다. 개선된 XGBoost 알고리즘은 학생들의 댓글 감정을 분류하도록 설계되었습니다. 이 개선된 알고리즘은 그레이 울프 최적화 알고리즘을 개선하여 XGBoost 알고리즘의 하이퍼파라미터를 최적화합니다. 이 알고리즘은 감정 분류의 정확성을 높이고, 학습 행동 뒤에 숨은 감정적 경향과 태도 피드백을 더욱 탐구합니다. 결과는 교육과정 관점에서 시험 3주 전 과목 과제 완료율이 기본적으로 45% 이상이었으며, 이는 과제 발표 3주 후 완료율(둘 다 18% 미만)보다 훨씬 높았습니다. 이 결과는 학생들이 마감일 전에 과제를 더 잘 완료하고 명백한 미루기를 보였음을 나타냈습니다. 개선된 분류 알고리즘의 최대 정확도는 98.78%로, 비교 모델보다 8.57%, 7.55%, 6.38%, 6.01% 높았고, 평균 시간 소모는 58ms였습니다. 부정적, 긍정적, 중립적 감정의 회상률은 98.35%, 97.69%, 98.02%였습니다. 이 연구 모델은 학생들의 온라인 학습 행동을 효과적으로 분석하고 위험에 처한 학생을 조기에 식별할 수 있게 하여 맞춤형 교육과 온라인 교육에서 정확한 개입을 촉진할 수 있습니다.

Introduction

인터넷과 교육 기술의 깊이 통합은 온라인 교육을 주변적인 보조에서 주류 형태로 도약시켰습니다. 2023년 말까지 전 세계 등록된 온라인 학습자 수는 12억 명을 넘어섰으며, 중국은 대규모 공개 온라인 강좌(MOOCs) 수와 학습자^{수 1,2}명에서 꾸준히 세계 1위를 차지했습니다. 하지만 온라인 수업이 편리함을 제공하는 한편, 불투명한 학습 과정, 교사와 학생의 시간·공간 분리, 규제 피드백 지연 등 문제점도 드러냅니다. 학습 행동 데이터와 학업 성과 사이에는 긍정적인 상관관계가 있습니다. 데이터를 기반으로 한 동적 조정은 강의 완료율을 20% 이상 증가시키고 중도^{탈락 위험을} 크게 줄일 수 ^{있습니다.} 따라서 학습 행동 분석(LBA)을 수행하는 것이 매우 중요합니다. 이 문제에 대해 현재 방법으로는 기술 통계, 연관 규칙 마이닝, 전통적인 머신러닝 분류⁶이 포함됩니다. 많은 학자들이 이 문제를 연구해 왔습니다.

Protocol

MPFR과 감정적 관점을 고려한 LBA 방법 설계

학생의 온라인 학습 행동(SOLB) 분석을 위한 다관점 평가 시스템이 구축되었으며, MPFR 모델이 설계되었습니다. 학습에서 학생들의 주관적 감정을 더 분석하기 위해, 본 연구는 XGBoost 알고리즘을 채택하고 분류 정확도를 높이기 위해 초매개변수 최적화를 위한 IGWO 알고리즘을 설계합니다.

LBA를 위한 MPFR 모델 구축

SOLB를 분석하기 위해 본 연구는 주로 두 가지 관점에서 출발하여 완전한 분석 계획을 수립합니다. 첫째, 학습 성과 측면에서 본 연구는 교육과정, 개인, 수업의 세 가지 관점을 고려하여 MPFR 모델을 형성합니다. 둘째, 학생 댓글의 감정 분석 측면에서 본 연구는 향상된 XGBoost 알고리즘을 설계합니다. 학습 성과 및 학생 피드백 감정 분석을 통해 이 연구는 SOLB를 더 잘 분석할 수 있습니다. 학습 성과 분석의 구체적인 기술적 세부사항 측면에서, 본 연구는 먼저 온라인 학습 플랫폼의 데이터를 사용하고 이를 전처리합니다. 둘째, 본 연구는 다양....

Results

다중 관점 및 감정 분류를 고려한 LBA 결과

성능을 검증하기 위해 실험 환경을 설정하고 실험 데이터셋을 설명합니다. 또한, 이 연구는 비교 알고리즘인 IGWO-XGBoost를 선택하여 정확도, 시간 소비, 회상률과 같은 지표를 사용하여 분석 및 검증합니다. 결과 분석에서는 MPFR을 통한 LBA 결과와 IGWO-XGBoost를 통한 감정 분류의 성과 검증 두 부분으로 명확히 나누었습니다.

MPFR을 통한 행동 분석 학습

MPFR의 성능을 검증하고 학생들의 학습 행동을 여러 관점에서 분석하기 위해 본 연구는 Windows 10 시스템과 인텔 코어 i5-12600KF 중앙 처리 장치를 사용합니다. 프로세서의 주 주파수는 3.7 GHz, 동적 가속 주파수는 4.9 .......

Discussion

SOLB 분석을 위해 본 연구는 MPFR과 IGWO-XGBoost 모델을 설계하고 온라인 교육 플랫폼의 데이터를 활용했습니다. 실험에서 추론 모델의 평가와 실제 점수 사이에 높은 일관성이 나타났으며, 이는 추론 모델의 효과성을 나타냈다. 약 25%의 학생들이 수업 중 1시간에서 10시간 동안 공부했습니다. 11-20, 21-30, 31-40시간, 41시간 이상 학습 시간을 가진 학생 비율은 30%, 20%, 15%, 10%였습니다. 이는 대다수 학생들이 중간 정도의 학습 강도를 유지한 반면, 극단기 또는 장기 학습에 참여한 학생은 소수임을 나타냅니다. XGBoost 모델의 하이퍼파라미터 최적화 결과는 다양한 최적화 알고리즘에서 차이가 있었으며, IGWO가 더 우수한 성과를 냈습니다. IGWO-XGBoost의 분류 시간과 F1 점수는 각각 100ms와 0.968이었습니다. IGWO-XGBoost의 최대 분류 정확도는 98.78%, 최소 정확도는 95.02%로, 비교 모델.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
BERT 사전 학습 언어 모델	구글 리서치	https://github.com/google-research/bert
CNKI 감정 사전	CNKI	https://www.cnki.net/
Chaoxing 플랫폼은 행동 데이터를 학습합니다	차오싱 정보기술개발유한회사(Chaoxing Information Technology Development Co., Ltd, Ltd)	https://www.chaoxing.com/
컴퓨터 메모리			범용 하드웨어 공급업체 (특정 모델 없음)
하얼빈 공과대학의 폐지 용어 목록	하얼빈 공과대학교	https://github.com/goto456/stopwords/blob/master/hit_s
인텔 코어 i5-12600KF	인텔 코퍼레이션	BX8071512600KF
Jieba 단어 분할 도구 (정밀 모드)	서드파티 오픈 소스 커뮤니티	https://github.com/fxsjy/jieba.
MOOC 플랫폼 학생 리뷰 데이터	러브 코스 네트워크	https://www.icourse163.org/
NLTK 라이브러리	NLTK 개발팀	https://www.nltk.org/
파이썬 프로그래밍 언어	파이썬 소프트웨어 재단	https://www.python.org/
Scikit-learn 1.2.2	Scikit 학습팀	https://scikit-learn.org/stable/
스마트 트리 플랫폼은 행동 데이터를 학습합니다	스마트 트리 네트워크	https://www.zhihuishu.com/
SMOTE 기술	학습 개발 팀 불균형	불균형 학습 라이브러리에 통합되어 있습니다, https://imbalanced-learn.org/stable/
윈도우 10 운영체제	마이크로소프트 코퍼레이션	https://www.microsoft.com/zh-cn/windows/windows-10
XGBoost 1.7.5	XGBoost 개발팀	https://xgboost.readthedocs.io/